Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/12349| Título: | Modelo de aprendizaje profundo para detección de anomalías en vasos sanguíneos asociadas al glaucoma en imágenes de fondo de ojo |
| Autor(es): | Jorge Antonio Nava González |
| Palabras clave: | Glaucoma Nasalización Fondo de Ojo Inteligencia Artificial Aprendizaje Profundo |
| Área: | INGENIERÍA Y TECNOLOGÍA |
| Fecha de publicación : | 2-oct-2025 |
| Editorial : | Universidad Autónoma de Querétaro |
| Páginas: | 1 recurso en línea (59 páginas) |
| Folio RI: | IGMAC-326902 |
| Facultad: | Facultad de Ingeniería |
| Programa académico: | Maestría en Ciencias en Inteligencia Artificial |
| Resumen: | El glaucoma es un grupo de enfermedades neurodegenerativas que causan un daño progresivo a las células ganglionares de la retina y sus axones, lo que conduce a una pérdida irreversible de la visión. Una de las principales herramientas de diagnóstico es la fotografía del fondo de ojo, que permite identificar alteraciones en estructuras anatómicas clave. Una de estas alteraciones es la nasalización de los vasos sanguíneos centrales, cuya presencia está estrechamente relacionada con la progresión del deterioro del campo visual. A pesar de su relevancia clínica, la nasalización ha sido un biomarcador relativamente poco explorado, ya que se considera indirecto. En este trabajo se presenta, por primera vez, la aplicación de la inteligencia artificial para segmentar y clasificar el grado de nasalización en imágenes del fondo de ojo. Se seleccionó la arquitectura YOLOv8 para la tarea de segmentación debido a su velocidad y facilidad de implementación, lo que arrojó excelentes resultados en la detección de las regiones nasal y temporal del disco óptico. Estas regiones se consideran de interés, ya que forman parte de la fórmula propuesta para cuantificar el grado de desplazamiento nasal. Posteriormente, se utilizó ResNet50 como modelo de clasificación debido a su uso generalizado y su robustez en el procesamiento de imágenes médicas, lo que permitió clasificar las imágenes como nasalizadas y no nasalizadas con una precisión constante. Otra contribución destacable fue la creación de una base de datos con imágenes nasalizadas y no nasalizadas, así como máscaras correspondientes a las regiones nasal y temporal del disco óptico. Este enfoque sirve como punto de partida para futuros trabajos sobre la nasalización. Tiene el potencial de convertirse en una herramienta valiosa para evaluar la eficacia del tratamiento, ya que permite una observación objetiva de la progresión de la enfermedad. |
| URI: | https://ri-ng.uaq.mx/handle/123456789/12349 |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-326902.pdf | Modelo de aprendizaje profundo para detección de anomalías en vasos sanguíneos asociadas al glaucoma en imágenes de fondo de ojo | 1.85 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.